An energy-based model empowers ultra-large virtual screening against 100-billion-scale chemical libraries
L'article présente DrugJEPA, un modèle basé sur l'énergie qui permet un criblage virtuel ultra-rapide et rentable de bibliothèques chimiques à l'échelle de 100 milliards avec une précision de pointe, identifiant avec succès des hits nanomolaires puissants à travers diverses cibles protéiques lors de la validation en laboratoire humide.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La recherche de nouveaux médicaments commence souvent par la recherche d'une aiguille dans une botte de foin, mais dans ce cas précis, la botte de foin contient près de cent milliards de structures chimiques différentes. Pendant des décennies, les scientifiques se sont appuyés sur deux méthodes principales pour trouver la bonne aiguille : tester physiquement des millions de composés en laboratoire, ou utiliser des ordinateurs pour simuler la manière dont ils pourraient s'insérer dans une cible biologique. Les tests physiques sont lents et coûteux, tandis que les simulations informatiques traditionnelles, bien que plus rapides, sont encore trop lentes pour gérer des bibliothèques de cette taille immense. Le défi consistait à trouver une méthode qui soit à la fois assez rapide pour scanner cent milliards de molécules et assez précise pour repérer les quelques rares qui fonctionnent réellement, sans nécessieat un supercalculateur de la taille d'une ville.
Une équipe de chercheurs de l'Université du Sichuan a développé une nouvelle approche qui comble ce fossé. Ils ont créé un modèle informatique sophistiqué appelé DrugJEPA, qui agit comme un moteur d'intuition hautement entraîné pour la découverte de médicaments. Au lieu d'essayer de simuler chaque mouvement atomique, ce qui prend trop de temps, le modèle apprend à reconnaître la « forme » d'une bonne correspondance en étudiant des millions d'exemples d'interactions entre protéines et molécules. Il utilise une technique qui lui permet de prédire la relation entre la poche de liaison d'une protéine et une molécule de médicament, filtrant efficacement les milliards de candidats inutiles en quelques heures seulement. Lors de tests contre trois types très différents de cibles biologiques, le système n'a pas seulement trouvé des succès ; il a trouvé des composés puissants, dont certains fonctionnent à des concentrations incroyablement faibles.
Le cœur de cette réussite réside dans la manière dont les chercheurs ont construit leur bibliothèque et leur modèle. Ils ont commencé par rassembler une collection massive de candidats potentiels aux médicaments à partir de bases de données existantes, les convertissant en formes tridimensionnelles, et les stockant dans un système qu'ils ont nommé ZEUS-3D. Cette bibliothèque contient environ quatre-vingt-seize milliards de molécules uniques, avec des centaines de milliards de variations 3D différentes pour tenir compte de la façon dont elles pourraient pivoter et tourner en solution. Pour explorer cet océan de données, ils avaient besoin d'un outil capable de se déplacer à la vitesse de l'éclair. Ils ont construit DrugJEPA, un réseau neuronal qui apprend à compresser l'information complexe d'une protéine et d'une molécule en un code numérique simple, ou « embedding ». En comparant ces codes, l'ordinateur peut instantanément déterminer si une molécule pourrait bien s'adapter à une protéine, un processus des millions de fois plus rapide que les méthodes traditionnelles.
Pour prouver l'efficacité de leur système, l'équipe a lancé une campagne de criblage virtuel massive. Ils ont lâché le modèle sur leur bibliothèque de cent milliards de molécules pour traquer des médicaments contre trois cibles biologiques distinctes : une kinase impliquée dans la réponse immunitaire, un récepteur dans le cerveau lié à la santé mentale, et une enzyme qui modifie l'ARN, pour laquelle aucun médicament à petite molécule n'existait jusqu'alors. Toute la recherche, couvrant un quadrillion d'interactions potentielles, a été achevée en seulement vingt-huit heures en utilisant seulement quatre cartes graphiques standards. Cette vitesse représente un bond en avant, rendant possible pour des équipes de développement de médicaments ordinaires d'explorer des espaces chimiques qui n'étaient auparavant accessibles qu'aux plus grandes entreprises disposant de ressources informatiques massives.
Les résultats de la recherche ont ensuite été mis à l'épreuve dans le monde réel. Les chercheurs ont pris les meilleurs candidats identifiés par l'ordinateur et les ont synthétisés ou achetés pour voir s'ils fonctionnaient réellement dans un cadre de laboratoire. Pour la cible liée à l'immunité, le modèle a identifié des composés actifs avec un taux de réussite de quarante pour cent, et plusieurs de ces molécules étaient suffisamment puissantes pour stopper l'activité de la cible à des concentrations aussi basses qu'un nanomolaire. Pour le récepteur cérébral, le taux de succès était de vingt pour cent, et le système a même redécouvert un médicament connu qui avait été négligé pour cette cible spécifique, confirmant la capacité du modèle à trouver des solutions tant nouvelles qu'existantes. Plus impressionnant encore, pour l'enzyme modifiant l'ARN, pour laquelle aucun candidat médicament n'existait, le modèle a trouvé un taux de réussite de trente pour cent et a identifié une molécule qui se lie étroitement à la protéine, bloquant efficacement sa fonction.
Pour s'assurer que ces découvertes n'étaient pas de simples coups de chance, l'équipe a approfondi l'étude de la manière dont les meilleurs candidats interagissaient avec leurs cibles. Pour la cible immunitaire, ils ont déterminé la structure 3D exacte du médicament lié à la protéine, confirmant qu'il se situait précisément là où l'ordinateur l'avait prédit. Pour le récepteur cérébral et l'enzyme de l'ARN, où la création d'une structure cristalline physique s'est avérée difficile, ils ont utilisé des mutations ciblées pour modifier des parties spécifiques de la protéine. Lorsqu'ils ont modifié les parties que le modèle prédisait comme étant importantes pour la liaison, les médicaments ont cessé de fonctionner, fournissant une preuve solide que le modèle avait correctement identifié le mécanisme d'action. Cette combinaison de vitesse, d'échelle et de validation expérimentale suggère que la barrière à l'exploration du vaste univers des médicaments possibles a été considérablement abaissée, offrant une voie pratique pour trouver de nouveaux traitements pour des maladies qui résistent depuis longtemps à la découverte.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.